EP3805883A1 - Method and device for determining a processing axis - Google Patents

Method and device for determining a processing axis Download PDF

Info

Publication number
EP3805883A1
EP3805883A1 EP19201906.5A EP19201906A EP3805883A1 EP 3805883 A1 EP3805883 A1 EP 3805883A1 EP 19201906 A EP19201906 A EP 19201906A EP 3805883 A1 EP3805883 A1 EP 3805883A1
Authority
EP
European Patent Office
Prior art keywords
state variables
manufacturing
simulation
function
determination
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP19201906.5A
Other languages
German (de)
French (fr)
Inventor
Daniel Klein
Henning OCHSENFELD
Tobias Seutter
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to EP19201906.5A priority Critical patent/EP3805883A1/en
Priority to CN202080072416.8A priority patent/CN114556247A/en
Priority to EP20771476.7A priority patent/EP3999925B1/en
Priority to US17/766,767 priority patent/US20230135550A1/en
Priority to PCT/EP2020/074446 priority patent/WO2021069150A1/en
Publication of EP3805883A1 publication Critical patent/EP3805883A1/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31359—Object oriented model for fault, quality control

Definitions

  • the present invention relates to methods and devices for determining a product quality resulting from a manufacturing method.
  • Industrial manufacturing processes usually include a large number of individual manufacturing steps. Quality assurance measures are required along the manufacturing process to ensure that the manufactured product meets the requirements and can be used without errors.
  • the manufacturing quality with which products or individual components and groups are manufactured is already at a very high level, at which up to 99% FPY (first pass yield) rates are achieved. This means that 99% of the manufactured products are free of defects.
  • CLA closed loop analytics
  • the essential starting point is a data set, e.g. on production state variables such as temperature, pressure, etc., as well as target variables assigned to this input data, such as the warpage of a component at one or more points, which allows a statement about the quality of the component.
  • the predictive model can use different procedures and methods are generated, most of which can be assigned to so-called machine learning.
  • the respective predictive model is only available after the associated learning phase.
  • soldering points can be checked using X-ray images or, after a deep-drawing process, a distortion measurement can be made using images or laser measurements.
  • a distortion measurement can be made using images or laser measurements.
  • the task to be solved is to provide effective quality assurance measures for the commissioning of manufacturing processes.
  • a method for determining a product quality resulting from a manufacturing method comprises: a simulative determination of one of a plurality of manufacturing state variables as a function of a scattering one of the manufacturing state variables; a sensory detection of one of the manufacturing state variables; and an associative determination of the product quality as a function of the manufacturing state variables.
  • the simulative determination can include executing a system simulation of the manufacturing method.
  • the method can furthermore comprise a simulative acquisition of one of the manufacturing state variables that cannot be detected by sensors as a function of the sensor-detected one of the manufacturing state variables.
  • the simulative acquisition can include executing an instance of the system simulation and / or an analytical equation that is simplified in terms of computational complexity.
  • the system simulation can be parameterized as a function of the scattering of the manufacturing state variables.
  • the system simulation can include a continuous simulation, a one-dimensional simulation and / or an analytical equation.
  • the continuous simulation can include a finite element method, a numerical fluid mechanics method and / or a multi-body simulation.
  • the simulative determination can include a sampling of a range of values of the scattering of the manufacturing state variables.
  • the sampling may include performing a design experimentation technique.
  • the design experimentation technique may include a Monte Carlo scan and / or a Latin hypercube scan.
  • the associative determination may include performing a machine learning method.
  • the machine learning method can include a decision tree and / or an artificial neural network.
  • the method can further comprise separating the product as a function of its determined product quality.
  • a device for determining a product quality resulting from a manufacturing process comprises: a simulation device for simulatively determining one of several manufacturing state variables as a function of a scattering one of the manufacturing state variables; a detection device for the sensory detection of one of the production state variables; and a determination device for associative determination of the product quality as a function of the manufacturing state variables.
  • the device can also be set up to carry out the method according to exemplary embodiments.
  • the device can furthermore comprise a simulative detection device for the simulative detection of one of the production state variables that cannot be detected by sensors as a function of the production state variables detected by sensors.
  • the device can furthermore comprise a separation device for separating the product as a function of its determined product quality.
  • FIG 1 shows schematically a predictive quality-assuring "closed loop analytics" approach 100 in accordance with an example from the prior art.
  • FIG 1 a real production process 104 for a product is shown.
  • This manufacturing method 104 can be used to infer manufacturing state variables X SEN ⁇ X, such as temperature, pressure, or the like, which can be detected by sensors.
  • the manufacturing state variables X are converted on the basis of a predictive model 108 into a central performance indicator (“key performance indicator”, KPI), which enables a statement to be made about the quality of the manufactured product. In particular, this can be a Q product quality.
  • KPI central performance indicator
  • Manufacturing processes can be understood to mean processes for manufacturing a product, such as a component or an assembly.
  • a product can be understood to mean a product to be manufactured before the manufacturing process has been completed and the manufactured product after the manufacturing process has been completed.
  • Manufacturing state variables can be understood to mean, in particular, those physical state variables that can be set on or in the product to be manufactured or can be set in the production machine in the course of the real production method 104. Examples include temperature, pressure, pressing force, sheet position, etc.
  • Predictive can be understood to mean that a prediction is made.
  • a predictive model can be understood as a model that enables a prediction.
  • “Closed-loop analytics” can be understood to mean that a predictive model 108 is provided, which makes reliable statements based on production state variables X can do about a quality Q of the manufactured component without a direct quality test of the component being required, and - not in FIG 1 shown - that this quality Q is reported back to the real production process 104.
  • the starting point is a data set, e.g. about manufacturing state variables X such as temperature, pressure, etc., as well as target variables assigned to these input data under the manufacturing state variables X such as the warpage of a component at one or more points, which allows a statement about the quality Q of the component .
  • manufacturing state variables X such as temperature, pressure, etc.
  • target variables assigned to these input data under the manufacturing state variables X such as the warpage of a component at one or more points, which allows a statement about the quality Q of the component .
  • FIG 2 schematically shows a method 200 for determining a product quality Q resulting from a manufacturing method 104 in accordance with exemplary embodiments of the invention.
  • Process 200 is designed in several steps: In step 202 there is a simulative determination 202 of one of several manufacturing state variables X SIM ⁇ X as a function of a scattering one of the manufacturing state variables X.
  • the multiple production state variables X can include, for example, temperature, pressure, pressing force, sheet metal position, or the like, possibly at different positions. These form input variables for the associative determination 208 explained in more detail below.
  • the scattering of the manufacturing state variables X can in particular be scattering input variables such as pressing force, sheet metal position, etc. in the real manufacturing process 104. These are decisive for deviations from certain quality parameters. For example, a different contact pressure and a slightly different temperature can ultimately lead to warpage of the product.
  • Scattering can be understood to mean, in particular, deviating from a mean value. There may be a deviation, for example, for different production processes that take place one after the other or for different production steps. The deviation can occur as a function of time.
  • a sensor-based detection 204 takes place of one of the manufacturing state variables X SEN ⁇ X.
  • manufacturing state variables X SEN ⁇ X such as temperature, pressure, or the like, which can be detected by sensors, can be derived from the manufacturing method 104. These too are included in the associative determination 208 as input variables.
  • Under sensorially detectable can be understood to be detectable by means of sensors and in particular detectable by means of sensors with reasonable effort.
  • step 208 there is an associative determination 208 of the product quality Q as a function of the manufacturing state variables X.
  • Associative can in particular be understood to mean an association between input and output patterns.
  • a total of all determined or recorded manufacturing state variables X is linked or linked to a product quality Q of the manufactured product on the basis of a predictive model 108, 408.
  • the predictive model 108, 408 is intended to derive generalized regularities (product quality Q) from exemplary observations (production state variables X).
  • the method advantageously allows basically reusable predictive models 108, 408 to be designed for customers with the same or similar manufacturing methods 104.
  • the simulative determination 202 may include performing a system simulation of the manufacturing method 104.
  • a system simulation can in particular be understood to mean a full process simulation of a manufacturing method for a product.
  • a simulation is only an approximation of reality based on various assumptions. This means that the result of a simulation does not exactly correspond to reality and is subject to deviations. For example, if the meshing is too coarse, contour elements or curves in the component are not adequately taken into account. With a professional application of the simulation methods, however, it is possible to keep the deviations from reality small. It is not uncommon for a single run of a system simulation to take several hours. Accordingly, it makes sense to carry out the simulative determination 202 in particular before the actual production method 104. The simulation techniques in question are so advanced that certain manufacturing processes 104 can be simulated with very high accuracy (sometimes ⁇ 5% deviation).
  • parameter variations can be carried out quickly and easily on the input variables under the production state variables X (e.g. change in process forces, slight change in geometry, small variation in material properties).
  • the method also allows a meaningful predictive model to be generated in cases in which insufficient data are measured or the production method 104 is restarted and there was thus no possibility of measurement.
  • the significantly more numerous production state variables X and the improved depth of detail allow a correlation between the input data and the target data to be improved and thus the informational value of the predictive model 108, 408 to be improved.
  • so-called "outliers" or manufacturing deviations that lead to quality problems are more reliably detected.
  • reusable predictive models 108, 408 can be developed for customers with the same or similar manufacturing processes 104.
  • the method 200 can furthermore have an optional method step: As in FIG 2 is indicated by dashed lines, the method 200 can include a simulative detection 206 of a sensor- not detectable X VSEN of the production state variables X as a function of the sensor-detected X SEN of the production state variables X.
  • Under sensorially not detectable can be understood to mean not detectable by means of sensors and in particular not detectable by means of sensors with reasonable effort.
  • This step can in particular between the steps of sensory recording 204 and associative determination 208 respectively.
  • Sensory detection 204 is assumed because of the dependency on the sensor-detected X SEN of the production state variables X, and associative determination 208 follows because simulative detection 206 can add further X SEN production state variables X that cannot be detected by sensors, depending on which the associative determination 208 the product quality Q should take place.
  • the simulative acquisition 206 may include executing an instance of the system simulation that is simplified in terms of computational complexity and / or an analytical equation.
  • Computational complexity can be understood to mean an amount of resource expenditure required to carry out an algorithm.
  • An analytical equation can be understood to be a mapping that is in a mathematically closed form.
  • a system simulation of the manufacturing method 104 requires a long computation time with sufficient accuracy, so that real-time operation is generally not possible or only possible in very rare exceptions.
  • So-called virtual sensors 406 can help here (cf. FIG 4 ) that only include parts of the system simulation model or simplified system simulation models. Additionally or alternatively, analytical equations can also be included, which are also based on modeling.
  • These virtual sensors 406 can then be operated in parallel with the real manufacturing process 104 and, on the basis of the reduced / simplified simulation model, enable the data set of the manufacturing state variables X as a function of the manufacturing state variables X SEN ⁇ X sensed in the real manufacturing process 104 with sensors X VSEN ⁇ X that cannot be recorded.
  • this addition to the available manufacturing state variables X also allows a correlation between the input data and the target data to be improved and thus to improve the informative value of the predictive model 108, 408.
  • the system simulation can be parameterized as a function of the scattering of the manufacturing state variables X.
  • a parameterization of the system simulation with regard to the variable production state variables advantageously has the effect that all input variables which vary in the real production process 104 (e.g. pressing force, sheet metal position, etc.) are also variable in the simulation model, so that an investigation of the effects of deviations on certain quality parameters is possible. For example, a different contact pressure and a slightly different temperature can ultimately lead to warpage of the product.
  • This means that parameter variations can be carried out quickly and easily on the input variables under the production state variables X (e.g. change in process forces, slight change in geometry, small variation in material properties).
  • such parameter changes can be carried out automatically, so that large data sets relating to the manufacturing state variables X can be generated very quickly.
  • the system simulation can include a continuous simulation, a one-dimensional simulation and / or an analytical equation.
  • Continuous simulation can be understood to mean simulations whose underlying models describe the modeled system using differential equations.
  • One-dimensional (1D) simulation can be understood to mean simulations whose underlying models have an effect Describe individual influencing variables on the modeled system and therefore involve an adapted modeling effort, highly efficient calculations and short computing times.
  • 1D simulations can be provided based on commercial software packages such as Simulink (R) .
  • the continuous simulation can include a finite element method, a numerical fluid mechanics method and / or a multi-body simulation.
  • FEM Finite Element Method
  • CFD computational Fluid Dynamics
  • MBD Multi Body Dynamics
  • Associative determining 208 may include performing a machine learning method.
  • Machine learning can be understood to mean building up experience (learning from examples) and generalizing this experience.
  • this experience can be built up in the form of a statistical model which is based on training data (the examples) and recognizes patterns and regularities in these training data.
  • the machine learning method can include a decision tree and / or an artificial neural network.
  • Decision trees are ordered, directed tree structures that are used to represent hierarchically successive decision rules. Decision trees always include a root node, any number of inner nodes that stand for logical rules, and at least two leaves that represent an answer to the decision problem. In connection with machine learning, decision trees can be used in particular for automatic classifications.
  • ANN Artificial neural networks
  • An ANN has a topology / network structure that defines how many artificial neurons are located on how many layers, and which artificial neurons from which successive layers are connected to one another.
  • An ANN always includes an output layer that provides an output pattern of the ANN, and can include one or more hidden layers (so-called multi-layer networks).
  • An assessment of input patterns usually takes place in that they are propagated through the ANN to the output layer according to the topology. In this case, the data between successive layers are subjected to a weighting which is specific to the pair of artificial neurons from the successive layers involved in the transmission. In addition to other influencing variables, these weights in particular represent the experience of the ANN.
  • Suitable learning methods serve to build up this experience, ie to get the ANN to provide desired output patterns for certain input patterns.
  • the aim of one of the learning methods, supervised / observed learning, is to use the ANN according to a series of examples to enable different input and output patterns to create associations between the input and output patterns.
  • FIG 3 shows schematically a scanning 300 of a range of values of scattering of the manufacturing state variables X in accordance with an exemplary embodiment of the invention.
  • the simulative determination 202 can include the scanning 300 of the range of values of the scattering of the manufacturing state variables X.
  • the scanning 300 of the range of values of two scattering of the manufacturing state variables X for example a horizontally applied contact pressure 301, whose specified range of values extends from a lower limit 3011 to an upper limit 3012, as well as a vertically applied temperature 302, whose specified range of values extends from a lower limit 3021 up to an upper limit of 3022.
  • the value ranges of the two scattering of the manufacturing state variables X together span a parameter space which is to be scanned at certain predetermined intervals for the scattering of the manufacturing state variables X.
  • each tuple 303 of the two scattering of the manufacturing state variables X the simulative determination 202 described above takes place as a function of the scattering of the manufacturing state variables X.
  • Each tuple 303 thus represents a separate simulation run.
  • parameter variations can advantageously be carried out quickly and easily (e.g. change in process forces, slight change in geometry, small variation in material properties).
  • the data set of the production state variables X generated at the end of each simulation run naturally allows conclusions to be drawn about the relationship between the production state variables X and a product quality Q and can therefore be used to build up the experience of the predictive model 108, possibly even before the production process has been put into operation. This at least greatly reduces the previously very long training time for the predictive model 108.
  • this virtual data set can of course be supplemented with parameter sets that occur very rarely in real life, and quality measures that are not actually available can also be used to create the prediction model. For example, the voltage or temperature in the middle of a component can be evaluated, which would not be measurable in real terms, but allows a decisive statement about the component quality.
  • Sampling 300 may include performing a design experimentation technique.
  • the design experimentation technique may include a Monte Carlo scan and / or a Latin hypercube scan.
  • Statistical test planning can be understood to mean those statistical methods that are used before the start of the test in order to determine test plans in the sense of specific accuracy specifications.
  • the parameter space is scanned by a predetermined number of tuples 303 determined randomly and independently of one another.
  • the parameter space is scanned in accordance with a regular grid extending over it from a predetermined number of randomly and independently determined tuples 303 so that each tuple 303 is the only one in its hyperplane, or in the 2D example of FIG 3 is the only one in its vertical and / or horizontal position.
  • FIG 4 schematically shows a device 400 for determining a product quality Q resulting from a manufacturing method in accordance with exemplary embodiments of the invention.
  • the device 400 is designed with multiple elements: It comprises a simulation device 402 for simulative determination 202 of one of several manufacturing state variables X as a function of a scattering one of the manufacturing state variables X; a detection device 404 for sensory detection 204 of one of the manufacturing state variables X; and a determination device 408 for associative determination 208 of the product quality Q as a function of the manufacturing state variables X.
  • the device 400 can furthermore be configured to carry out the method 200 in accordance with exemplary embodiments of the invention.
  • the device can in this sense in particular comprise a simulative detection device (a "virtual sensor") 406 for simulative detection 206 of a sensor-not detectable X VSEN of the production state variables X depending on the sensor-detected X SEN of the production state variables X.
  • a simulative detection device a "virtual sensor” 406 for simulative detection 206 of a sensor-not detectable X VSEN of the production state variables X depending on the sensor-detected X SEN of the production state variables X.
  • the function and advantages of the virtual sensor 406 correspond to those of the method step of simulative recording 206.
  • the device can comprise a separation device for separating the product as a function of its determined product quality Q.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung betrifft Vorrichtungen und Verfahren (200) zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte (Q). In seiner allgemeinsten Ausprägung umfasst das Verfahren (200) ein simulatives Bestimmen (202) einer von mehreren Fertigungszustandsgrößen (X) in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen (X); ein sensorisches Erfassen (204) einer der Fertigungszustandsgrößen (X); und ein assoziatives Bestimmen (208) der Produktgüte (Q) in Abhängigkeit von den Fertigungszustandsgrößen (X). Die Vorrichtung definiert dieselbe Erfindung mittels Vorrichtungsmerkmalen.The invention relates to devices and methods (200) for determining a product quality (Q) resulting from a manufacturing method. In its most general form, the method (200) comprises a simulative determination (202) of one of several production state variables (X) as a function of a scattering one of the production state variables (X); a sensory detection (204) of one of the production state variables (X); and an associative determination (208) of the product quality (Q) as a function of the production state variables (X). The device defines the same invention in terms of device features.

Description

Gebiet der ErfindungField of the invention

Die vorliegende Erfindung betrifft Verfahren und Vorrichtungen zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte.The present invention relates to methods and devices for determining a product quality resulting from a manufacturing method.

Hintergrund der ErfindungBackground of the invention

Industrielle Fertigungsverfahren umfassen in der Regel eine Vielzahl von Einzelfertigungsschritten. Dabei werden entlang des Fertigungsverfahrens qualitätssichernde Maßnahmen benötigt, um sicherzustellen, dass das gefertigte Produkt den Anforderungen entspricht und fehlerfrei eingesetzt werden kann. Die Fertigungsqualität, mit welcher Produkte bzw. einzelne Bauteile und -gruppen gefertigt werden, ist heute bereits auf einem sehr hohen Niveau, auf dem bereits bis zu 99 % FPY (first pass yield) Raten erzielt werden. Dies bedeutet, dass 99 % der gefertigten Produkte fehlerfrei sind.Industrial manufacturing processes usually include a large number of individual manufacturing steps. Quality assurance measures are required along the manufacturing process to ensure that the manufactured product meets the requirements and can be used without errors. The manufacturing quality with which products or individual components and groups are manufactured is already at a very high level, at which up to 99% FPY (first pass yield) rates are achieved. This means that 99% of the manufactured products are free of defects.

Diese qualitätssichernden Maßnahmen sind kosten- und zeitaufwändig, da hierfür u.a. Personal benötigt wird sowie Test- und Prüfverfahren (weiter) entwickelt und betrieben werden müssen. Eine Einsparung dieser an sich nicht weitersteigernden Arbeitsschritte würde enorme finanzielle Potentiale eröffnen.These quality assurance measures are costly and time-consuming, as, among other things, personnel are required and test and inspection procedures must be (further) developed and operated. Saving these work steps, which in themselves does not increase, would open up enormous financial potential.

Deshalb wurden bereits Lösungen entwickelt, die solche qualitätssichernden Maßnahmen in Umfang, Komplexität und Zeitaufwand reduzieren und am Ende auch zu einer signifikanten Effizienzsteigerung bei der Fertigung führen können.For this reason, solutions have already been developed that reduce such quality assurance measures in terms of scope, complexity and time and can ultimately lead to a significant increase in production efficiency.

Ein vielversprechender Ansatz ist dabei das so genannte "Closed-Loop-Analytics" (CLA). Dabei wird auf Grundlage von Algorithmen, die dem maschinellen Lernen zuzuordnen sind, eine in sich geschlossen Analysekette erzeugt, um am Ende zuverlässige Aussagen über die Qualität des Bauteils machen zu können, ohne dass eine direkte Qualitätsprüfung des Produkts erforderlich ist.A very promising approach is what is known as "closed loop analytics" (CLA). On the basis of algorithms that can be assigned to machine learning, a self-contained analysis chain is generated in order to ultimately make reliable statements about the quality of the component without the need for a direct quality check of the product.

Wesentlicher Ausgangspunkt ist dabei ein Datensatz z.B. über Fertigungszustandsgrößen wie Temperatur, Druck, o.ä., sowie diesen Eingangsdaten zugeordnete Zielgrößen wie z.B. der Verzug eines Bauteils an einer oder mehreren Stellen, der eine Aussage über die Qualität des Bauteils zulässt.The essential starting point is a data set, e.g. on production state variables such as temperature, pressure, etc., as well as target variables assigned to this input data, such as the warpage of a component at one or more points, which allows a statement about the quality of the component.

Auf Grundlage dieses Datensatzes ist es möglich, prädiktive Modelle zu erstellen, die es erlauben, rein auf Grundlage der Eingangsdaten eine Vorhersage über die Bauteilqualität zu treffen, wobei z.B. Algorithmen und Methoden aus dem Bereich des maschinellen Lernens zum Einsatz kommen.On the basis of this data set, it is possible to create predictive models that allow a prediction of the component quality to be made purely on the basis of the input data, using algorithms and methods from the field of machine learning, for example.

Genau dieser Datensatz stellt die Anwender von CLA-Ansätzen jedoch häufig vor folgende Herausforderungen, die bis heute nur unzureichend gelöst sind:

  1. 1. Ausreichende Menge an Daten: Häufig sind keine oder nur unzureichende Daten vorhanden, die es erlauben ein aussagekräftiges prädiktives Modell zu generieren. Dies kann beispielsweise daran liegen, dass nicht ausreichend Daten gemessen werden oder dass die Anlage neu in Betrieb geht und damit noch keine Möglichkeit zu Messung vorhanden war. Ohne ausreichende Daten ist es aber nahezu unmöglich ein aussagkräftiges Vorhersagemodell zu erstellen.
  2. 2. Qualität der Daten: Um ein aussagekräftiges Modell zu erzeugen, ist es nicht nur zwingend notwendig eine ausreichende Menge an Daten zu haben, sondern auch die Qualität der Daten muss hochwertig sein. Ein sog. "Rauschen" im Datensatz, das heißt die Korrelation zwischen den Eingangsdaten (z.B. Temperatur, Druck) und den Ausgangsdaten (z.B. Verzug eines Blechs an einer bestimmten Stelle) ist nicht immer eindeutig, kann sich beispielsweise auch in einem qualitativ schlechten Modell widerspiegeln. Darüber hinaus kann es gerade bei Fertigungsverfahren, die ohnehin bereits einen sehr hohen Qualitätsstandard bieten, zu Problemen beim prädiktiven Modell kommen. Ein solches Modell muss nämlich auch sog. "Ausreißer" oder Fertigungsabweichungen, die zu Qualitätsproblemen führen, sicher erkennen. Diese sind aber in der Regel eine Ausnahme im Datensatz und werden von einem prädiktiven Modell nur unzureichend erfasst. Gerade wenn wiederverwendbare Prädiktionsmodelle für Kunden mit gleichen oder ähnlichen Fertigungsverfahren entwickelt werden sollen, kann dies zum Problem werden, denn bei verschiedenen Anwendern kann es zu unterschiedlichen Parameterkonstellationen kommen.
  3. 3. Nicht messbare Größen: Nicht immer sind alle Fertigungszustandsgrößen, die maßgeblichen Einfluss auf die Bauteilqualität haben, auch messbar. Dies kann z.B. die mechanische Spannung in einem Tiefziehbauteil während des Pressvorgangs im Werkzeug sein oder aber die Temperatur in der Mitte eines Gussbauteils. In beiden Fällen wäre eine Messung nahezu unmöglich oder zumindest sehr schwierig, die Qualität eines Bauteils könnte aber mit dem Wissen dieser Größen sehr gut prognostiziert werden.
  4. 4. Dauer der Anlernphase: Gerade wenn bei einer Fertigungslinie zuvor kaum Daten verfügbar sind oder diese neu gebaut wird, kann es sehr lange (bis zu mehreren Monaten) dauern, bis ein ausreichender Datensatz vorhanden ist, um ein zuverlässiges prädiktives Modell zu erzeugen. Zudem kann es bei einer produktiven Anlage zu Änderungen im Aufbau kommen, was wiederum den Aufbau eines neuen Datensatzes erforderlich macht.
However, it is precisely this data set that often presents the users of CLA approaches with the following challenges, which have not yet been adequately solved:
  1. 1. Sufficient amount of data: Often there is no or insufficient data available that allow a meaningful predictive model to be generated. This can be due, for example, to the fact that insufficient data is being measured or that the system is starting up again and there was therefore no possibility of measuring. Without sufficient data, however, it is almost impossible to create a meaningful predictive model.
  2. 2. Quality of the data: In order to generate a meaningful model, it is not only essential to have a sufficient amount of data, but the quality of the data must also be of high quality. A so-called "noise" in the data set, i.e. the correlation between the input data (e.g. temperature, pressure) and the output data (e.g. distortion of a sheet metal at a certain point) is not always clear and can also be reflected in a poor quality model, for example . In addition, there can be manufacturing processes that already have a very high quality standard offer problems with the predictive model. Such a model must also reliably detect so-called "outliers" or manufacturing deviations that lead to quality problems. However, these are usually an exception in the data set and are not adequately captured by a predictive model. Especially when reusable prediction models are to be developed for customers with the same or similar manufacturing processes, this can become a problem because different users can have different parameter constellations.
  3. 3. Non-measurable variables: Not all production state variables that have a significant influence on component quality can also be measured. This can be, for example, the mechanical stress in a deep-drawn component during the pressing process in the tool or the temperature in the center of a cast component. In both cases a measurement would be almost impossible or at least very difficult, but the quality of a component could be predicted very well with the knowledge of these variables.
  4. 4. Duration of the learning phase: Especially if hardly any data is previously available for a production line or if it is being newly built, it can take a very long time (up to several months) until a sufficient data set is available to generate a reliable predictive model. In addition, there may be changes in the structure of a productive system, which in turn makes it necessary to create a new data record.

Bisherige Ansätze zum Bestimmen der Produktgüte lassen sich grob in folgende Bereiche gliedern:Previous approaches to determining product quality can be roughly divided into the following areas:

1. Datenbasierte Qualitätsprüfung1. Data-based quality inspection

Wie eingangs beschrieben besteht die Möglichkeit eine sogenannte datenbasierte Qualitätsprüfung auf Grundlage von Fertigungsdaten und prädiktivem Modell zu machen. Das prädiktive Modell kann dabei über unterschiedliche Verfahren und Methoden generiert werden, die meist dem sogenannten Maschinellen Lernen zuzuordnen sind. Das jeweilige prädiktive Modell steht allerdings erst nach der zugehörigen Lernphase zur Verfügung.As described at the beginning, there is the possibility of a so-called data-based quality check based on production data and a predictive model. The predictive model can use different procedures and methods are generated, most of which can be assigned to so-called machine learning. However, the respective predictive model is only available after the associated learning phase.

2. Direkte Qualitätsprüfung2. Direct quality inspection

Es ist möglich, spezielle Maschinen und Einrichtungen einzusetzen, die eine Qualitätsprüfung erlauben. So können beispielsweise Lötstellen über Röntgenaufnahmen kontrolliert werden oder es findet nach einem Tiefziehprozess eine Verzugsmessung über Bildaufnahmen oder auch Lasermessung statt. Solche Einrichtungen gibt es in zahlreichen unterschiedlichen Ausprägungen mit dem häufigen Nachteil, dass sie sehr kostenintensiv sind und oftmals die Produktion verlangsamen.It is possible to use special machines and equipment that allow quality testing. For example, soldering points can be checked using X-ray images or, after a deep-drawing process, a distortion measurement can be made using images or laser measurements. There are such facilities in numerous different forms with the frequent disadvantage that they are very costly and often slow down production.

3. Prozesssimulation3. Process simulation

Es gibt zahlreiche unterschiedliche Möglichkeiten Fertigungsverfahren zu simulieren und die wesentlichen Einflüsse digital zu untersuchen. Solche Prozesssimulationen sind in vielen Fertigungsbereichen, wie z.B. dem Umformen üblich und werden intensiv bei der Prozessentwicklung eingesetzt. Diese Simulationstechnologien sind bereits derart fortgeschritten, dass bestimmte Prozesse mit sehr hoher Genauigkeit simuliert werden können (z. T. < 5% Abweichung). Damit ist es möglich, computerimplementierte Verfahren zu entwickeln, zu optimieren und alle relevanten Aspekte zu betrachten, die einen Einfluss haben. Allerdings erfordert dieses Maß an Genauigkeit sehr genau modellierte und damit sehr komplexe Simulationsmodelle, die nicht annähernd in Echtzeit berechenbar sind.There are numerous different possibilities to simulate manufacturing processes and to digitally examine the essential influences. Such process simulations are common in many areas of production, such as forming, and are used intensively in process development. These simulation technologies are already so advanced that certain processes can be simulated with very high accuracy (sometimes <5% deviation). This makes it possible to develop and optimize computer-implemented processes and to consider all relevant aspects that have an influence. However, this degree of accuracy requires very precisely modeled and therefore very complex simulation models that cannot be calculated in real time.

Zusammenfassung der ErfindungSummary of the invention

Die zu lösende Aufgabe besteht also darin, bereits zur Inbetriebnahme von Fertigungsverfahren wirksame qualitätssichernde Maßnahmen bereitzustellen.The task to be solved is to provide effective quality assurance measures for the commissioning of manufacturing processes.

Diese Aufgabe wird durch die Merkmale der unabhängigen Patentansprüche gelöst. Die Merkmale der abhängigen Patentansprüche definieren bevorzugte und/oder vorteilhafte Ausführungsformen.This object is achieved by the features of the independent patent claims. The features of the dependent claims define preferred and / or advantageous embodiments.

Ein Verfahren zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte umfasst: ein simulatives Bestimmen einer von mehreren Fertigungszustandsgrößen in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen; ein sensorisches Erfassen einer der Fertigungszustandsgrößen; und ein assoziatives Bestimmen der Produktgüte in Abhängigkeit von den Fertigungszustandsgrößen.A method for determining a product quality resulting from a manufacturing method comprises: a simulative determination of one of a plurality of manufacturing state variables as a function of a scattering one of the manufacturing state variables; a sensory detection of one of the manufacturing state variables; and an associative determination of the product quality as a function of the manufacturing state variables.

Das simulative Bestimmen kann ein Ausführen einer Systemsimulation des Fertigungsverfahrens umfassen.The simulative determination can include executing a system simulation of the manufacturing method.

Das Verfahren kann ferner ein simulatives Erfassen einer sensorisch nicht erfassbaren der Fertigungszustandsgrößen in Abhängigkeit von der sensorisch erfassten der Fertigungszustandsgrößen umfassen.The method can furthermore comprise a simulative acquisition of one of the manufacturing state variables that cannot be detected by sensors as a function of the sensor-detected one of the manufacturing state variables.

Das simulative Erfassen kann ein Ausführen einer hinsichtlich einer Rechenkomplexität vereinfachten Instanz der Systemsimulation und/oder einer analytischen Gleichung umfassen.The simulative acquisition can include executing an instance of the system simulation and / or an analytical equation that is simplified in terms of computational complexity.

Die Systemsimulation kann in Abhängigkeit von der streuenden der Fertigungszustandsgrößen parametrisiert sein.The system simulation can be parameterized as a function of the scattering of the manufacturing state variables.

Die Systemsimulation kann eine kontinuierliche Simulation, eine eindimensionale Simulation und/oder eine analytische Gleichung umfassen.The system simulation can include a continuous simulation, a one-dimensional simulation and / or an analytical equation.

Die kontinuierliche Simulation kann eine Finite-Elemente-Methode, eine Methode der numerischen Strömungsmechanik und/oder eine Mehrkörpersimulation umfassen.The continuous simulation can include a finite element method, a numerical fluid mechanics method and / or a multi-body simulation.

Das simulative Bestimmen kann ein Abtasten eines Wertebereiches der streuenden der Fertigungszustandsgrößen umfassen.The simulative determination can include a sampling of a range of values of the scattering of the manufacturing state variables.

Das Abtasten kann ein Ausführen einer Methode einer statistischen Versuchsplanung umfassen.The sampling may include performing a design experimentation technique.

Die Methode der statistischen Versuchsplanung kann eine Monte Carlo-Abtastung und/oder eine Latin-Hypercube-Abtastung umfassen.The design experimentation technique may include a Monte Carlo scan and / or a Latin hypercube scan.

Das assoziative Bestimmen kann ein Ausführen einer Methode eines maschinellen Lernens umfassen.The associative determination may include performing a machine learning method.

Die Methode des maschinellen Lernens kann einen Entscheidungsbaum und/oder ein künstliches neuronales Netz umfassen.The machine learning method can include a decision tree and / or an artificial neural network.

Das Verfahren kann ferner ein Separieren des Produkts in Abhängigkeit von dessen bestimmter Produktgüte umfassen.The method can further comprise separating the product as a function of its determined product quality.

Eine Vorrichtung zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte umfasst: eine Simulationseinrichtung zum simulativen Bestimmen einer von mehreren Fertigungszustandsgrößen in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen; eine Erfassungseinrichtung zum sensorischen Erfassen einer der Fertigungszustandsgrößen; und eine Bestimmungseinrichtung zum assoziativen Bestimmen der Produktgüte in Abhängigkeit von den Fertigungszustandsgrößen.A device for determining a product quality resulting from a manufacturing process comprises: a simulation device for simulatively determining one of several manufacturing state variables as a function of a scattering one of the manufacturing state variables; a detection device for the sensory detection of one of the production state variables; and a determination device for associative determination of the product quality as a function of the manufacturing state variables.

Die Vorrichtung kann ferner dazu eingerichtet sein, das Verfahren nach Ausführungsbeispielen durchzuführen.The device can also be set up to carry out the method according to exemplary embodiments.

Die Vorrichtung kann ferner eine simulative Erfassungseinrichtung zum simulativen Erfassen einer sensorisch nicht erfassbaren der Fertigungszustandsgrößen in Abhängigkeit von der sensorisch erfassten der Fertigungszustandsgrößen umfassen.The device can furthermore comprise a simulative detection device for the simulative detection of one of the production state variables that cannot be detected by sensors as a function of the production state variables detected by sensors.

Die Vorrichtung kann ferner eine Separationseinrichtung zum Separieren des Produkts in Abhängigkeit von dessen bestimmter Produktgüte umfassen.The device can furthermore comprise a separation device for separating the product as a function of its determined product quality.

Kurze Beschreibung der FigurenBrief description of the figures

Die Erfindung wird nachfolgend anhand bevorzugter Ausführungsformen und unter Bezugnahme auf die Zeichnungen kurz erläutert, wobei gleiche Bezugszeichen gleiche oder ähnliche Elemente bezeichnen.

FIG 1
zeigt schematisch einen prädiktiven qualitätssichernden "Closed-Loop-Analytics" (CLA)-Ansatz in Übereinstimmung mit einem Beispiel aus dem Stand der Technik.
FIG 2
zeigt schematisch ein Verfahren zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte in Übereinstimmung mit Ausführungsbeispielen der Erfindung.
FIG 3
zeigt schematisch ein Abtasten eines Wertebereiches von streuenden der Fertigungszustandsgrößen in Übereinstimmung mit einem Ausführungsbeispiel der Erfindung.
FIG 4
zeigt schematisch eine Vorrichtung zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte in Übereinstimmung mit Ausführungsbeispielen der Erfindung.
The invention is briefly explained below using preferred embodiments and with reference to the drawings, where the same reference symbols denote the same or similar elements.
FIG 1
shows schematically a predictive quality-assuring "closed loop analytics" (CLA) approach in accordance with an example from the prior art.
FIG 2
shows schematically a method for determining a product quality resulting from a manufacturing method in accordance with exemplary embodiments of the invention.
FIG 3
shows schematically a scanning of a range of values of scattering of the manufacturing state variables in accordance with an embodiment of the invention.
FIG 4
shows schematically a device for determining a product quality resulting from a manufacturing process in accordance with exemplary embodiments of the invention.

Detaillierte Beschreibung von AusführungsbeispielenDetailed description of exemplary embodiments

Die Erfindung wird nachfolgend anhand bevorzugter Ausführungsformen und unter Bezugnahme auf die Zeichnungen näher erläutert.The invention is explained in more detail below on the basis of preferred embodiments and with reference to the drawings.

Eine Beschreibung von Ausführungsbeispielen in spezifischen Anwendungsfeldern bedeutet keine Einschränkung auf diese Anwendungsfelder.A description of exemplary embodiments in specific fields of application does not mean a restriction to these fields of application.

Elemente schematischer Darstellungen sind nicht notwendigerweise maßstabsgetreu wiedergegeben, sondern vielmehr derart, dass dem Fachmann ihre Funktion und ihr Zweck verständlich werden.Elements of schematic representations are not necessarily shown true to scale, but rather in such a way that the person skilled in the art can understand their function and purpose.

Soweit nicht ausdrücklich anders angegeben sind die Merkmale der verschiedenen Ausführungsformen miteinander kombinierbar. FIG 1 zeigt schematisch einen prädiktiven qualitätssichernden "Closed-Loop-Analytics"-Ansatz 100 in Übereinstimmung mit einem Beispiel aus dem Stand der Technik.Unless expressly stated otherwise, the features of the various embodiments can be combined with one another. FIG 1 shows schematically a predictive quality-assuring "closed loop analytics" approach 100 in accordance with an example from the prior art.

In der FIG 1 ist ein reales Fertigungsverfahren 104 für ein Produkt dargestellt. Diesem Fertigungsverfahren 104 lassen sich sensorisch erfassbare Fertigungszustandsgrößen XSEN ∈ X wie Temperatur, Druck, o. ä. entnehmen. Die Fertigungszustandsgrößen X werden auf Grundlage eines prädiktiven Modells 108 in einen zentralen Leistungsindikator ("key performance indicator", KPI) umgesetzt, der eine Aussage über eine Qualität des gefertigten Produkts ermöglicht. Insbesondere kann es sich hierbei um eine Produktgüte Q handeln.In the FIG 1 a real production process 104 for a product is shown. This manufacturing method 104 can be used to infer manufacturing state variables X SEN ∈ X, such as temperature, pressure, or the like, which can be detected by sensors. The manufacturing state variables X are converted on the basis of a predictive model 108 into a central performance indicator (“key performance indicator”, KPI), which enables a statement to be made about the quality of the manufactured product. In particular, this can be a Q product quality.

Unter Fertigungsverfahren können Verfahren zum Herstellen eines Produkts, wie etwa eines Bauteils oder einer Baugruppe, verstanden werden.Manufacturing processes can be understood to mean processes for manufacturing a product, such as a component or an assembly.

Unter einem Produkt kann vor Abschluss des Fertigungsverfahrens ein zu fertigendes Produkt, und nach Abschluss des Fertigungsverfahrens das gefertigte Produkt verstanden werden.A product can be understood to mean a product to be manufactured before the manufacturing process has been completed and the manufactured product after the manufacturing process has been completed.

Unter Fertigungszustandsgrößen können insbesondere solche physikalischen Zustandsgrößen verstanden werden, die sich im Verlauf des realen Fertigungsverfahrens 104 an oder in dem zu fertigenden Produkt einstellen oder in der Fertigungsmaschine einstellen lassen. Beispiele umfassen Temperatur, Druck, Presskraft, Blechposition, o.ä..Manufacturing state variables can be understood to mean, in particular, those physical state variables that can be set on or in the product to be manufactured or can be set in the production machine in the course of the real production method 104. Examples include temperature, pressure, pressing force, sheet position, etc.

Unter prädiktiv kann verstanden werden, dass eine Vorhersage erfolgt.Predictive can be understood to mean that a prediction is made.

Unter einem prädiktiven Modell kann ein Modell verstanden werden, das eine Vorhersage ermöglicht.A predictive model can be understood as a model that enables a prediction.

Unter "Closed-Loop-Analytics" kann verstanden werden, dass ein prädiktives Modell 108 bereitgestellt wird, welches auf Grundlage von Fertigungszustandsgrößen X zuverlässige Aussagen über eine Güte Q des gefertigten Bauteils machen kann, ohne dass eine direkte Qualitätsprüfung des Bauteils erforderlich ist, und - nicht in FIG 1 dargestellt - dass diese Güte Q an das reale Fertigungsverfahren 104 zurückgemeldet wird.“Closed-loop analytics” can be understood to mean that a predictive model 108 is provided, which makes reliable statements based on production state variables X can do about a quality Q of the manufactured component without a direct quality test of the component being required, and - not in FIG 1 shown - that this quality Q is reported back to the real production process 104.

Ausgangspunkt ist dabei ein Datensatz z.B. über Fertigungszustandsgrößen X wie Temperatur, Druck, o.ä., sowie diesen Eingangsdaten zugeordnete Zielgrößen unter den Fertigungszustandsgrößen X wie z.B. der Verzug eines Bauteils an einer oder mehreren Stellen, der eine Aussage über die Güte Q des Bauteils zulässt.The starting point is a data set, e.g. about manufacturing state variables X such as temperature, pressure, etc., as well as target variables assigned to these input data under the manufacturing state variables X such as the warpage of a component at one or more points, which allows a statement about the quality Q of the component .

Auf Grundlage dieses Datensatzes ist es möglich, prädiktive Modelle 108 zu erstellen, die es erlauben rein auf Grundlage der Eingangsdaten eine Vorhersage über die Güte Q des Bauteils zu treffen, wobei z.B. Algorithmen und Methoden aus dem Bereich des maschinellen Lernens zum Einsatz kommen.On the basis of this data set, it is possible to create predictive models 108, which allow a prediction of the quality Q of the component to be made purely on the basis of the input data, using, for example, algorithms and methods from the field of machine learning.

Genau dieser Datensatz stellt Anwender von CLA-Ansätzen jedoch häufig vor die bereits zuvor erwähnten, bis heute nur unzureichend gelösten Herausforderungen.However, it is precisely this data set that often confronts users of CLA approaches with the previously mentioned challenges that have not yet been adequately solved.

FIG 2 zeigt schematisch ein Verfahren 200 zum Bestimmen einer aus einem Fertigungsverfahren 104 hervorgehenden Produktgüte Q in Übereinstimmung mit Ausführungsbeispielen der Erfindung. FIG 2 schematically shows a method 200 for determining a product quality Q resulting from a manufacturing method 104 in accordance with exemplary embodiments of the invention.

Das Verfahren 200 ist mehrschrittig konzipiert:
In Schritt 202 erfolgt ein simulatives Bestimmen 202 einer von mehreren Fertigungszustandsgrößen XSIM ∈ X in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen X.Process 200 is designed in several steps:
In step 202 there is a simulative determination 202 of one of several manufacturing state variables X SIM ∈ X as a function of a scattering one of the manufacturing state variables X.

Die mehreren Fertigungszustandsgrößen X können etwa Temperatur, Druck, Presskraft, Blechposition, o. ä. ggf. an verschiedenen Positionen umfassen. Diese bilden Eingangsgrößen für das nachfolgend näher erläuterte assoziative Bestimmen 208.The multiple production state variables X can include, for example, temperature, pressure, pressing force, sheet metal position, or the like, possibly at different positions. These form input variables for the associative determination 208 explained in more detail below.

Die streuenden der Fertigungszustandsgrößen X können insbesondere im realen Fertigungsverfahren 104 streuende Eingangsgrößen, etwa Presskraft, Blechposition, usw., sein. Diese sind für Abweichungen bestimmter Qualitätsparameter maßgeblich. Beispielsweise können eine abweichende Anpresskraft und eine leicht abweichende Temperatur am Ende zum Verzug des Produkts führen.The scattering of the manufacturing state variables X can in particular be scattering input variables such as pressing force, sheet metal position, etc. in the real manufacturing process 104. These are decisive for deviations from certain quality parameters. For example, a different contact pressure and a slightly different temperature can ultimately lead to warpage of the product.

Unter streuend kann insbesondere von einem Mittelwert abweichend verstanden werden. Eine Abweichung kann z.B. für verschiedene nacheinander erfolgende Fertigungsvorgänge oder für verschiedene Fertigungsschritte vorliegen. Die Abweichung kann als Funktion der Zeit auftreten.Scattering can be understood to mean, in particular, deviating from a mean value. There may be a deviation, for example, for different production processes that take place one after the other or for different production steps. The deviation can occur as a function of time.

In Schritt 204 erfolgt ein sensorisches Erfassen 204 einer der Fertigungszustandsgrößen XSEN ∈ X.In step 204, a sensor-based detection 204 takes place of one of the manufacturing state variables X SEN ∈ X.

Wie bereits erwähnt lassen sich dem Fertigungsverfahren 104 sensorisch erfassbare Fertigungszustandsgrößen XSEN ∈ X wie Temperatur, Druck, o. ä. entnehmen. Auch diese gehen als Eingangsgrößen in das assoziative Bestimmen 208 ein.As already mentioned, manufacturing state variables X SEN ∈ X, such as temperature, pressure, or the like, which can be detected by sensors, can be derived from the manufacturing method 104. These too are included in the associative determination 208 as input variables.

Unter sensorisch erfassbar kann mittels Sensoren erfassbar und insbesondere mittels Sensoren mit vertretbarem Aufwand erfassbar verstanden werden.Under sensorially detectable can be understood to be detectable by means of sensors and in particular detectable by means of sensors with reasonable effort.

In Schritt 208 erfolgt ein assoziatives Bestimmen 208 der Produktgüte Q in Abhängigkeit von den Fertigungszustandsgrößen X.In step 208, there is an associative determination 208 of the product quality Q as a function of the manufacturing state variables X.

Unter assoziativ kann insbesondere eine Assoziation zwischen Eingangs- und Ausgangsmustern herstellend verstanden werden. Mit anderen Worten wird eine Gesamtheit aller bestimmten oder erfassten Fertigungszustandsgrößen X auf Grundlage eines prädiktiven Modells 108, 408 mit einer Produktgüte Q des gefertigten Produkts verbunden bzw. verknüpft.Associative can in particular be understood to mean an association between input and output patterns. In other words, a total of all determined or recorded manufacturing state variables X is linked or linked to a product quality Q of the manufactured product on the basis of a predictive model 108, 408.

Das prädiktive Modell 108, 408 soll dabei aus beispielhaften Beobachtungen (Fertigungszustandsgrößen X) verallgemeinerte Gesetzmäßigkeiten (Produktgüte Q) ableiten.The predictive model 108, 408 is intended to derive generalized regularities (product quality Q) from exemplary observations (production state variables X).

Vorteilhaft erlaubt das Verfahren aufgrund seines allgemein anwendbaren Ansatzes, dem prädiktiven Modell 108, 408 alle verfügbaren Fertigungszustandsgrößen X zuzuführen, grundsätzlich wiederverwendbare prädiktive Modelle 108, 408 für Kunden mit gleichen oder ähnlichen Fertigungsverfahren 104 zu entwerfen.Due to its generally applicable approach of supplying all available manufacturing state variables X to the predictive model 108, 408, the method advantageously allows basically reusable predictive models 108, 408 to be designed for customers with the same or similar manufacturing methods 104.

Das simulative Bestimmen 202 kann ein Ausführen einer Systemsimulation des Fertigungsverfahrens 104 umfassen.The simulative determination 202 may include performing a system simulation of the manufacturing method 104.

Unter einer Systemsimulation kann insbesondere eine vollumfängliche Prozesssimulation eines Fertigungsverfahrens für ein Produkt verstanden werden.A system simulation can in particular be understood to mean a full process simulation of a manufacturing method for a product.

Es gibt verschiedene Möglichkeiten, das Fertigungsverfahren 104 zu simulieren und die wesentlichen Einflüsse digital zu untersuchen. Solche Prozesssimulationen sind in vielen Fertigungsbereichen wie z.B. dem Umformen üblich und werden intensiv bei der Prozessentwicklung eingesetzt.There are various options for simulating the manufacturing process 104 and digitally examining the essential influences. Such process simulations are common in many areas of production, such as forming, and are used intensively in process development.

Zwar ist eine Simulation immer nur eine Annäherung an die Realität auf Grundlage diverser Annahmen. Dies führt dazu, dass das Ergebnis einer Simulation nicht exakt der Realität entspricht und abweichungsbehaftet ist. Z.B. kann es sein, dass bei einer zu groben Vernetzung Konturelemente oder Rundungen im Bauteil nur unzureichend berücksichtigt werden. Bei einer fachgerechten Anwendung der Simulationsmethoden ist es jedoch möglich die Abweichungen zur Realität gering zu halten. Es ist dabei durchaus nicht unüblich, dass ein einziger Durchlauf einer Systemsimulation mehrere Stunden in Anspruch nimmt. Demzufolge bietet es sich an, das simulative Bestimmen 202 insbesondere vor dem eigentlichen Fertigungsverfahren 104 durchzuführen. Die in Frage kommenden Simulationstechniken sind derart fortgeschritten, dass bestimmte Fertigungsverfahren 104 mit sehr hoher Genauigkeit simuliert werden können (z.T. < 5 % Abweichung).A simulation is only an approximation of reality based on various assumptions. This means that the result of a simulation does not exactly correspond to reality and is subject to deviations. For example, if the meshing is too coarse, contour elements or curves in the component are not adequately taken into account. With a professional application of the simulation methods, however, it is possible to keep the deviations from reality small. It is not uncommon for a single run of a system simulation to take several hours. Accordingly, it makes sense to carry out the simulative determination 202 in particular before the actual production method 104. The simulation techniques in question are so advanced that certain manufacturing processes 104 can be simulated with very high accuracy (sometimes <5% deviation).

Demzufolge ist es möglich, auf Grundlage eines simulativen Bestimmens 202 die Einflüsse beliebiger Fertigungszustandsgrößen X auf die Produktqualität Q zu untersuchen.Accordingly, it is possible to examine the influences of any production state variables X on the product quality Q on the basis of a simulative determination 202.

Dies ist dabei in einem weit größeren Umfang möglich als in der Realität, denn es stehen erheblich mehr Fertigungszustandsgrößen X zu Verfügung, die für das gesamte Bauteil ausgewertet werden können. Es sind nämlich nicht immer alle Fertigungszustandsgrößen, die maßgeblichen Einfluss auf die Produktgüte Q haben, auch messbar. Dies kann z.B. die mechanische Spannung in einem Tiefziehbauteil während des Pressvorgangs im Werkzeug sein oder aber die Temperatur in der Mitte eines Gussbauteils. In beiden Fällen wäre eine Messung nahezu unmöglich oder zumindest sehr schwierig, die Qualität Q des Produkts könnte aber mit dem Wissen dieser Größen sehr gut prognostiziert werden.This is possible to a far greater extent than in reality, because there are considerably more production state variables X available that can be evaluated for the entire component. This is because not all production state variables that have a significant influence on the product quality Q can also be measured. This can be, for example, the mechanical stress in a deep-drawn component during the pressing process in the tool or the temperature in the middle of a cast component. In both cases, a measurement would be almost impossible or at least very difficult, but the quality Q of the product could be very well predicted with the knowledge of these variables.

Damit wird es möglich, Fertigungsverfahren 104 am Rechner zu entwickeln, zu optimieren und alle relevanten Aspekte zu betrachten, die einen Einfluss auf die Produktgüte Q haben.This makes it possible to develop and optimize manufacturing processes 104 on the computer and to consider all relevant aspects that have an influence on the product quality Q.

Ferner kann eine Detailtiefe betrachtet werden, die am realen Bauteil unmöglich wäre.Furthermore, a level of detail can be viewed that would be impossible on a real component.

Zudem können schnell und einfach Parametervariationen an den Eingangsgrößen unter den Fertigungszustandsgrößen X durchgeführt werden (z.B. Änderung der Prozesskräfte, leichte Geometrieänderung, kleine Variation der Materialeigenschaften).In addition, parameter variations can be carried out quickly and easily on the input variables under the production state variables X (e.g. change in process forces, slight change in geometry, small variation in material properties).

Außerdem können solche Parameteränderungen automatisiert vollzogen werden, sodass recht schnell große Datensätze generiert werden können.In addition, such parameter changes can be carried out automatically, so that large data sets can be generated very quickly.

Gerade wenn bei einer Fertigungslinie zuvor kaum Daten verfügbar sind oder diese neu gebaut wird, kann es sehr lange (bis zu mehreren Monaten) dauern, bis ein ausreichender Datensatz vorhanden ist, um ein zuverlässiges prädiktives Modell zu erzeugen. Zudem kann es bei einer produktiven Anlage zu Änderungen im Aufbau kommen, was wiederum den Aufbau eines neuen Datensatzes erforderlich macht.It can take a long time, especially if there is hardly any data available on a production line or a new one is being built take (up to several months) until a sufficient data set is available to produce a reliable predictive model. In addition, there may be changes in the structure of a productive system, which in turn makes it necessary to create a new data record.

Vorteilhaft erlaubt das Verfahren also auch in Fällen, in denen nicht ausreichend Daten gemessen werden oder der Fertigungsverfahren 104 neu in Betrieb geht und damit noch keine Möglichkeit zur Messung vorhanden war, ein aussagekräftiges prädiktives Modell zu generieren.Advantageously, the method also allows a meaningful predictive model to be generated in cases in which insufficient data are measured or the production method 104 is restarted and there was thus no possibility of measurement.

Vorteilhaft erlauben die erheblich zahlreicheren Fertigungszustandsgrößen X und die verbesserte Detailtiefe insbesondere in Fällen, in denen die Qualität der Daten hochwertig sein muss, eine Korrelation zwischen den Eingangsdaten und den Zieldaten zu verbessern und so eine Aussagekraft des prädiktiven Modells 108, 408 zu verbessern. Zudem werden sog. "Ausreißer" oder Fertigungsabweichungen, die zu Qualitätsproblemen führen, sicherer erkannt. So lassen sich insbesondere wiederverwendbare prädiktive Modelle 108, 408 für Kunden mit gleichen oder ähnlichen Fertigungsverfahren 104 entwickeln.Advantageously, the significantly more numerous production state variables X and the improved depth of detail, particularly in cases in which the quality of the data must be of high quality, allow a correlation between the input data and the target data to be improved and thus the informational value of the predictive model 108, 408 to be improved. In addition, so-called "outliers" or manufacturing deviations that lead to quality problems are more reliably detected. In particular, reusable predictive models 108, 408 can be developed for customers with the same or similar manufacturing processes 104.

Das Verfahren 200 kann ferner einen optionalen Verfahrensschritt aufweisen:
Wie in FIG 2 mit gestrichelten Linien angedeutet ist kann das Verfahren 200 ein simulatives Erfassen 206 einer sensorisch nicht erfassbaren XVSEN der Fertigungszustandsgrößen X in Abhängigkeit von der sensorisch erfassten XSEN der Fertigungszustandsgrößen X umfassen.The method 200 can furthermore have an optional method step:
As in FIG 2 is indicated by dashed lines, the method 200 can include a simulative detection 206 of a sensor- not detectable X VSEN of the production state variables X as a function of the sensor-detected X SEN of the production state variables X.

Unter sensorisch nicht erfassbar kann mittels Sensoren nicht erfassbar und insbesondere mittels Sensoren nicht mit vertretbarem Aufwand erfassbar verstanden werden.Under sensorially not detectable can be understood to mean not detectable by means of sensors and in particular not detectable by means of sensors with reasonable effort.

Dieser Schritt kann insbesondere zwischen den Schritten des sensorischen Erfassens 204 und des assoziativen Bestimmen 208 erfolgen. Das sensorische Erfassen 204 wird wegen der Abhängigkeit von der sensorisch erfassten XSEN der Fertigungszustandsgrößen X vorausgesetzt, und das assoziative Bestimmen 208 folgt, weil das simulative Erfassen 206 weitere, sensorisch nicht erfassbare XSEN Fertigungszustandsgrößen X hinzufügen kann, in deren Abhängigkeit das assoziative Bestimmen 208 der Produktgüte Q erfolgen soll.This step can in particular between the steps of sensory recording 204 and associative determination 208 respectively. Sensory detection 204 is assumed because of the dependency on the sensor-detected X SEN of the production state variables X, and associative determination 208 follows because simulative detection 206 can add further X SEN production state variables X that cannot be detected by sensors, depending on which the associative determination 208 the product quality Q should take place.

Das simulative Erfassen 206 kann ein Ausführen einer hinsichtlich einer Rechenkomplexität vereinfachten Instanz der Systemsimulation und/oder einer analytischen Gleichung umfassen.The simulative acquisition 206 may include executing an instance of the system simulation that is simplified in terms of computational complexity and / or an analytical equation.

Unter Rechenkomplexität kann ein Ausmaß eines zum Durchführen eines Algorithmus erforderlichen Ressourcenaufwands verstanden werden.Computational complexity can be understood to mean an amount of resource expenditure required to carry out an algorithm.

Unter einer analytischen Gleichung kann eine in mathematisch geschlossener Form vorliegende Abbildung verstanden werden. Eine Systemsimulation des Fertigungsverfahrens 104 erfordert bei hinreichender Genauigkeit eine lange Rechenzeit, sodass ein Echtzeit-Betrieb in der Regel nicht oder nur in sehr seltenen Ausnahmen möglich ist.An analytical equation can be understood to be a mapping that is in a mathematically closed form. A system simulation of the manufacturing method 104 requires a long computation time with sufficient accuracy, so that real-time operation is generally not possible or only possible in very rare exceptions.

Hier können sogenannte virtuelle Sensoren 406 helfen (vgl. FIG 4), die nur Teile des Systemsimulationsmodells oder vereinfachte Systemsimulationsmodelle umfassen. Zusätzlich oder alternativ können auch analytische Gleichungen einbezogen werden, welchen ja ebenfalls eine Modellbildung zugrunde liegt.So-called virtual sensors 406 can help here (cf. FIG 4 ) that only include parts of the system simulation model or simplified system simulation models. Additionally or alternatively, analytical equations can also be included, which are also based on modeling.

Diese virtuellen Sensoren 406 können dann parallel zum realen Fertigungsverfahren 104 betrieben werden und ermöglichen es auf Grundlage des verkleinerten/vereinfachten Simulationsmodells, den Datensatz der Fertigungszustandsgrößen X in Abhängigkeit von den im realen Fertigungsverfahren 104 sensorisch erfassten Fertigungszustandsgrößen XSEN ∈ X mit sensorisch nicht erfassbaren Fertigungszustandsgrößen XVSEN ∈ X zu ergänzen.These virtual sensors 406 can then be operated in parallel with the real manufacturing process 104 and, on the basis of the reduced / simplified simulation model, enable the data set of the manufacturing state variables X as a function of the manufacturing state variables X SEN ∈ X sensed in the real manufacturing process 104 with sensors X VSEN ∈ X that cannot be recorded.

Vorteilhaft erlaubt es diese Ergänzung der verfügbaren Fertigungszustandsgrößen X ebenfalls, eine Korrelation zwischen den Eingangsdaten und den Zieldaten zu verbessern und so eine Aussagekraft des prädiktiven Modells 108, 408 zu verbessern.Advantageously, this addition to the available manufacturing state variables X also allows a correlation between the input data and the target data to be improved and thus to improve the informative value of the predictive model 108, 408.

Die Systemsimulation kann in Abhängigkeit von der streuenden der Fertigungszustandsgrößen X parametrisiert sein.The system simulation can be parameterized as a function of the scattering of the manufacturing state variables X.

Vorteilhaft bewirkt eine Parametrisierung der Systemsimulation bezüglich der streuenden Fertigungszustandsgrößen, dass alle im realen Fertigungsverfahren 104 streuenden Eingangsgrößen (z.B. Presskraft, Blechposition, etc.) auch im Simulationsmodell variabel sind, sodass eine Untersuchung von Abweichungseffekten auf bestimmte Qualitätsparameter möglich ist. Beispielsweise können eine abweichende Anpresskraft und eine leicht abweichende Temperatur am Ende zum Verzug des Produkts führen. Dadurch lassen sich schnell und einfach Parametervariationen an den Eingangsgrößen unter den Fertigungszustandsgrößen X durchführen (z.B. Änderung der Prozesskräfte, leichte Geometrieänderung, kleine Variation der Materialeigenschaften). Außerdem können solche Parameteränderungen automatisiert vollzogen werden, sodass recht schnell große Datensätze bezüglich der Fertigungszustandsgrößen X generiert werden können.A parameterization of the system simulation with regard to the variable production state variables advantageously has the effect that all input variables which vary in the real production process 104 (e.g. pressing force, sheet metal position, etc.) are also variable in the simulation model, so that an investigation of the effects of deviations on certain quality parameters is possible. For example, a different contact pressure and a slightly different temperature can ultimately lead to warpage of the product. This means that parameter variations can be carried out quickly and easily on the input variables under the production state variables X (e.g. change in process forces, slight change in geometry, small variation in material properties). In addition, such parameter changes can be carried out automatically, so that large data sets relating to the manufacturing state variables X can be generated very quickly.

Die Systemsimulation kann eine kontinuierliche Simulation, eine eindimensionale Simulation und/oder eine analytische Gleichung umfassen.The system simulation can include a continuous simulation, a one-dimensional simulation and / or an analytical equation.

Unter kontinuierlicher Simulation können Simulationen verstanden werden, deren zugrundeliegende Modelle das modellierte System mittels Differentialgleichungen beschreiben.Continuous simulation can be understood to mean simulations whose underlying models describe the modeled system using differential equations.

Unter eindimensionaler (1D-)Simulation können Simulationen verstanden werden, deren zugrundeliegende Modelle eine Auswirkung einzelner Einflussgrößen auf das modellierte System beschreiben und daher mit einem angepasstem Modellierungsaufwand, hocheffizienten Berechnungen und kurzen Rechenzeiten einhergehen. Beispielsweise können 1D-Simulationen auf Grundlage von kommerziellen Softwarepaketen wie etwa Simulink(R) bereitgestellt werden.One-dimensional (1D) simulation can be understood to mean simulations whose underlying models have an effect Describe individual influencing variables on the modeled system and therefore involve an adapted modeling effort, highly efficient calculations and short computing times. For example, 1D simulations can be provided based on commercial software packages such as Simulink (R) .

Die kontinuierliche Simulation kann eine Finite-Elemente-Methode, eine Methode der numerischen Strömungsmechanik und/oder eine Mehrkörpersimulation umfassen.The continuous simulation can include a finite element method, a numerical fluid mechanics method and / or a multi-body simulation.

In Abhängigkeit vom jeweiligen Fertigungsverfahren können unterschiedliche Arten der kontinuierlichen Simulation zum Einsatz kommen. Am häufigsten handelt es sich um Finite-Elemente-Methoden (Finite Element Method, FEM), welche in der Regel bei Fertigungsverfahren eingesetzt werden, in denen Festkörper involviert sind, z.B. beim Umformen. Methoden der numerischen Strömungsmechanik (Computational Fluid Dynamics, CFD) kommen bei Strömungsvorgängen zum Einsatz. Eine Mehrkörpersimulation (Multi Body Dynamics, MBD) befasst sich mit großen Starrkörperbewegungen. Ebenso sind Kombinationen dieser Verfahren möglich. Grundsätzlich ist aber allen Verfahren zur Simulation von kontinuierlichen Fertigungsverfahren gemein, dass (partielle) Differentialgleichungen formuliert werden, um den Zusammenhang zwischen diversen physikalischen (Fertigungs-)Zustandsgrößen zu beschreiben.Depending on the respective manufacturing process, different types of continuous simulation can be used. The most common are finite element methods (Finite Element Method, FEM), which are usually used in manufacturing processes in which solids are involved, e.g. when forming. Methods of numerical fluid mechanics (Computational Fluid Dynamics, CFD) are used in flow processes. A multi-body simulation (Multi Body Dynamics, MBD) deals with large rigid body movements. Combinations of these processes are also possible. In principle, however, all methods for simulating continuous manufacturing processes have in common that (partial) differential equations are formulated in order to describe the relationship between various physical (manufacturing) state variables.

Das assoziative Bestimmen 208 kann ein Ausführen einer Methode eines maschinellen Lernens umfassen.Associative determining 208 may include performing a machine learning method.

Unter maschinellem Lernen kann ein Aufbau von Erfahrung (Lernen aus Beispielen) und ein Verallgemeinern dieser Erfahrung verstanden werden.Machine learning can be understood to mean building up experience (learning from examples) and generalizing this experience.

Insbesondere kann diese Erfahrung in Form eines statistischen Modells aufgebaut werden, welches auf Trainingsdaten (den Beispielen) beruht und Muster und Gesetzmäßigkeiten in diesen Trainingsdaten erkennt.In particular, this experience can be built up in the form of a statistical model which is based on training data (the examples) and recognizes patterns and regularities in these training data.

Vorteilhaft bewirkt der Aufbau von Erfahrung, dass danach im Wege eines Lerntransfers auch unbekannte Daten (Beispiele) beurteilbar sind (Verallgemeinerung).The development of experience has the advantageous effect that, by means of a learning transfer, unknown data (examples) can also be assessed (generalization).

Die Methode des maschinellen Lernens kann einen Entscheidungsbaum und/oder ein künstliches neuronales Netz umfassen.The machine learning method can include a decision tree and / or an artificial neural network.

Entscheidungsbäume sind geordnete, gerichtete Baumstrukturen, die der Darstellung von hierarchisch aufeinanderfolgenden Entscheidungsregeln dienen. Entscheidungsbäume umfassen immer einen Wurzelknoten, beliebig vielen innere Knoten, die für logische Regeln stehen, sowie mindestens zwei Blätter, die eine Antwort auf das Entscheidungsproblem repräsentieren. Im Zusammenhang mit maschinellem Lernen sind Entscheidungsbäume insbesondere für automatische Klassifikationen einsetzbar.Decision trees are ordered, directed tree structures that are used to represent hierarchically successive decision rules. Decision trees always include a root node, any number of inner nodes that stand for logical rules, and at least two leaves that represent an answer to the decision problem. In connection with machine learning, decision trees can be used in particular for automatic classifications.

Künstliche neuronale Netze (KNN) sind Netze aus künstlichen Neuronen. Ein KNN weist eine Topologie/Netzstruktur auf, die definiert, wie viele künstliche Neuronen sich auf wie vielen Schichten befinden, und welche künstlichen Neuronen aus welchen aufeinanderfolgenden Schichten miteinander verbunden sind. Ein KNN umfasst stets eine Ausgabeschicht, die ein Ausgangsmuster des KNN bereitstellt, und kann eine oder mehrere verdeckte Schichten umfassen (sog. mehrschichtige Netze). Eine Beurteilung von Eingangsmustern erfolgt in der Regel dadurch, dass diese sich gemäß der Topologie durch das KNN zur Ausgabeschicht hin fortpflanzen. Dabei sind die Daten zwischen aufeinanderfolgenden Schichten einer Gewichtung unterworfen, welche spezifisch ist für das jeweils an der Weitergabe beteiligte Paar von künstlichen Neuronen aus den aufeinanderfolgenden Schichten. Neben anderen Einflussgrößen repräsentieren insbesondere diese Gewichte die Erfahrung des KNN. Geeignete Lernverfahren dienen dazu, diese Erfahrung aufzubauen, d.h. das KNN dazu zu bringen, für bestimmte Eingangsmuster gewünschte Ausgangsmuster bereitzustellen. Ziel bei einem der Lernverfahren, dem überwachten / beobachteten Lernen, ist es, das KNN nach einer Reihe von Beispielen mit unterschiedlichen Eingangs- und Ausgangsmustern dazu zu befähigen, Assoziationen zwischen den Eingangs- und Ausgangsmustern herzustellen.Artificial neural networks (ANN) are networks made up of artificial neurons. An ANN has a topology / network structure that defines how many artificial neurons are located on how many layers, and which artificial neurons from which successive layers are connected to one another. An ANN always includes an output layer that provides an output pattern of the ANN, and can include one or more hidden layers (so-called multi-layer networks). An assessment of input patterns usually takes place in that they are propagated through the ANN to the output layer according to the topology. In this case, the data between successive layers are subjected to a weighting which is specific to the pair of artificial neurons from the successive layers involved in the transmission. In addition to other influencing variables, these weights in particular represent the experience of the ANN. Suitable learning methods serve to build up this experience, ie to get the ANN to provide desired output patterns for certain input patterns. The aim of one of the learning methods, supervised / observed learning, is to use the ANN according to a series of examples to enable different input and output patterns to create associations between the input and output patterns.

FIG 3 zeigt schematisch ein Abtasten 300 eines Wertebereiches von streuenden der Fertigungszustandsgrößen X in Übereinstimmung mit einem Ausführungsbeispiel der Erfindung. FIG 3 shows schematically a scanning 300 of a range of values of scattering of the manufacturing state variables X in accordance with an exemplary embodiment of the invention.

Das simulative Bestimmen 202 kann das Abtasten 300 des Wertebereiches der streuenden der Fertigungszustandsgrößen X umfassen.The simulative determination 202 can include the scanning 300 of the range of values of the scattering of the manufacturing state variables X.

In dem Beispiel der FIG 3 erfolgt das Abtasten 300 des Wertebereiches von zwei streuenden der Fertigungszustandsgrößen X, etwa eines horizontal aufgetragenen Anpressdrucks 301, dessen vorgegebener Wertebereich sich von einer Untergrenze 3011 bis zu einer Obergrenze 3012 erstreckt, sowie einer vertikal aufgetragenen Temperatur 302, deren vorgegebener Wertebereich sich von einer Untergrenze 3021 bis zu einer Obergrenze 3022 erstreckt. Die Wertebereiche der beiden streuenden der Fertigungszustandsgrößen X spannen zusammen einen Parameterraum auf, der in gewissen, für die streuenden der Fertigungszustandsgrößen X jeweils vorgegebenen Abständen abzutasten ist.In the example of the FIG 3 the scanning 300 of the range of values of two scattering of the manufacturing state variables X, for example a horizontally applied contact pressure 301, whose specified range of values extends from a lower limit 3011 to an upper limit 3012, as well as a vertically applied temperature 302, whose specified range of values extends from a lower limit 3021 up to an upper limit of 3022. The value ranges of the two scattering of the manufacturing state variables X together span a parameter space which is to be scanned at certain predetermined intervals for the scattering of the manufacturing state variables X.

In dem Beispiel der FIG 3 ist zum besseren Verständnis beispielhaft vorgesehen, das Abtasten 300 des Parameterraums in Übereinstimmung mit einem regelmäßigen, in der jeweiligen Dimension äquidistantem Raster durchzuführen, das zu einer Vielzahl von Kombinationen / Tupel 303 aus Anpressdruck 301 und Temperatur 302 führt. Mit anderen Worten wird der Parameterraum in Übereinstimmung mit einem sich darüber erstreckenden regelmäßigen Raster vollständig abgetastet.In the example of the FIG 3 For better understanding, it is provided by way of example to carry out the scanning 300 of the parameter space in accordance with a regular grid that is equidistant in the respective dimension, which leads to a multiplicity of combinations / tuples 303 of contact pressure 301 and temperature 302. In other words, the parameter space is completely scanned in accordance with a regular grid extending over it.

An jedem Tupel 303 der zwei streuenden der Fertigungszustandsgrößen X erfolgt das weiter oben dargelegte simulative Bestimmen 202 in Abhängigkeit von den streuenden der Fertigungszustandsgrößen X. Jedes Tupel 303 repräsentiert somit einen separaten Simulationslauf.At each tuple 303 of the two scattering of the manufacturing state variables X, the simulative determination 202 described above takes place as a function of the scattering of the manufacturing state variables X. Each tuple 303 thus represents a separate simulation run.

Jeder separate Simulationslauf wird im Anschluss durchgeführt, sodass die Ausgangsgrößen XSIM unter den Fertigungszustandsgrößen X in Abhängigkeit von den streuenden der Fertigungszustandsgrößen X vorliegen.Each separate simulation run is then carried out so that the output variables X SIM are available under the production state variables X as a function of the scattering of the production state variables X.

Vorteilhaft können so schnell und einfach Parametervariationen durchgeführt werden (z.B. Änderung der Prozesskräfte, leichte Geometrieänderung, kleine Variation der Materialeigenschaften) .In this way, parameter variations can advantageously be carried out quickly and easily (e.g. change in process forces, slight change in geometry, small variation in material properties).

Ferner erlaubt es dieses weitgehend automatisierbare "Model Sampling", sehr viele Datensätze in vergleichsweise kurzer Zeit zu gewinnen. Zwar kann es sein, dass ein einzelner Simulationslauf mehrere Stunden in Anspruch nimmt, allerdings ist eine Parallelisierbarkeit der Simulationsläufe möglich, da die einzelnen Simulationsläufe in der Regel nicht voneinander abhängig sind.Furthermore, this largely automatable "model sampling" allows a large number of data sets to be obtained in a comparatively short time. It is true that a single simulation run can take several hours, but it is possible to run the simulation in parallel because the individual simulation runs are usually not dependent on one another.

Der am Ende eines jeden Simulationslaufs erzeugte Datensatz der Fertigungszustandsgrößen X lässt natürlich Rückschlüsse auf den Zusammenhang zwischen den Fertigungszustandsgrößen X und einer Produktgüte Q zu und kann damit für den Erfahrungsaufbau des prädiktiven Modells 108 verwendet werden, ggf. noch bevor der Fertigungsverfahren in Betrieb genommen wurde. Damit wird die bisher sehr lange Anlernzeit für das prädiktive Modell 108 zumindest stark reduziert.The data set of the production state variables X generated at the end of each simulation run naturally allows conclusions to be drawn about the relationship between the production state variables X and a product quality Q and can therefore be used to build up the experience of the predictive model 108, possibly even before the production process has been put into operation. This at least greatly reduces the previously very long training time for the predictive model 108.

Darüber hinaus kann dieser virtuelle Datensatz natürlich um real sehr selten auftretende Parametersätze problemlos ergänzt werden und es können eventuell Qualitätsmaße mit zur Erstellung des Prädiktionsmodells verwendet werden, die real nicht verfügbar sind. Beispielsweise kann die Spannung oder Temperatur in der Mitte eines Bauteils ausgewertet werden, was real nicht messbar wäre aber durchaus eine entscheidende Aussage über die Bauteilqualität zulässt.In addition, this virtual data set can of course be supplemented with parameter sets that occur very rarely in real life, and quality measures that are not actually available can also be used to create the prediction model. For example, the voltage or temperature in the middle of a component can be evaluated, which would not be measurable in real terms, but allows a decisive statement about the component quality.

Das Abtasten 300 kann ein Ausführen einer Methode einer statistischen Versuchsplanung umfassen.Sampling 300 may include performing a design experimentation technique.

Alternativen zu dem in FIG 3 dargestellten regelmäßigen Raster ergeben sich aus der statistischen Versuchsplanung.Alternatives to the in FIG 3 The regular grids shown result from the statistical test planning.

Die Methode der statistischen Versuchsplanung kann eine Monte Carlo-Abtastung und/oder eine Latin-Hypercube-Abtastung umfassen.The design experimentation technique may include a Monte Carlo scan and / or a Latin hypercube scan.

Unter statistischer Versuchsplanung können solche statistische Verfahren verstanden werden, die vor Versuchsbeginn angewendet werden, um im Sinne bestimmter Genauigkeitsvorgaben Versuchspläne zu bestimmen.Statistical test planning can be understood to mean those statistical methods that are used before the start of the test in order to determine test plans in the sense of specific accuracy specifications.

Insbesondere soll mit möglichst wenigen Versuchen (hier: Simulationsläufen) ein Wirkzusammenhang zwischen den - insbesondere streuenden - Eingangsgrößen und den Zielgrößen unter den Fertigungszustandsgrößen X genau genug erfasst werden.In particular, with as few tests as possible (here: simulation runs), an effective relationship between the - in particular scattering - input variables and the target variables among the manufacturing state variables X should be recorded with sufficient accuracy.

Bei der Monte-Carlo-Abtastung wird der Parameterraum von einer vorgegebenen Anzahl zufällig und unabhängig voneinander ermittelter Tupel 303 abgetastet.In Monte Carlo scanning, the parameter space is scanned by a predetermined number of tuples 303 determined randomly and independently of one another.

Bei der Latin-Hypercube-Abtastung wird der Parameterraum in Übereinstimmung mit einem sich darüber erstreckenden regelmäßigen Raster von einer vorgegebenen Anzahl zufällig und unabhängig voneinander ermittelter Tupel 303 so abgetastet, dass jedes Tupel 303 das einzige in seiner Hyperebene, bzw. im 2D-Beispiel der FIG 3 das einzige an seiner vertikalen und/oder horizontalen Position ist.In Latin hypercube scanning, the parameter space is scanned in accordance with a regular grid extending over it from a predetermined number of randomly and independently determined tuples 303 so that each tuple 303 is the only one in its hyperplane, or in the 2D example of FIG 3 is the only one in its vertical and / or horizontal position.

FIG 4 zeigt schematisch eine Vorrichtung 400 zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte Q in Übereinstimmung mit Ausführungsbeispielen der Erfindung. FIG 4 schematically shows a device 400 for determining a product quality Q resulting from a manufacturing method in accordance with exemplary embodiments of the invention.

Die Vorrichtung 400 ist mehrgliedrig konzipiert:
Sie umfasst eine Simulationseinrichtung 402 zum simulativen Bestimmen 202 einer von mehreren Fertigungszustandsgrößen X in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen X; eine Erfassungseinrichtung 404 zum sensorischen Erfassen 204 einer der Fertigungszustandsgrößen X; und eine Bestimmungseinrichtung 408 zum assoziativen Bestimmen 208 der Produktgüte Q in Abhängigkeit von den Fertigungszustandsgrößen X.The device 400 is designed with multiple elements:
It comprises a simulation device 402 for simulative determination 202 of one of several manufacturing state variables X as a function of a scattering one of the manufacturing state variables X; a detection device 404 for sensory detection 204 of one of the manufacturing state variables X; and a determination device 408 for associative determination 208 of the product quality Q as a function of the manufacturing state variables X.

Die Vorrichtung 400 kann ferner dazu eingerichtet sein, das Verfahren 200 in Übereinstimmung mit Ausführungsbeispielen der Erfindung durchzuführen.The device 400 can furthermore be configured to carry out the method 200 in accordance with exemplary embodiments of the invention.

Demzufolge sind die oben genannten Verfahrensmerkmale in der Vorrichtung analog nutzbar, wobei auch die jeweiligen Vorteile erzielt werden.Accordingly, the above-mentioned method features can be used in the device in an analogous manner, with the respective advantages also being achieved.

Wie in FIG 4 mit gestrichelten Linien angedeutet ist kann die Vorrichtung in diesem Sinne insbesondere eine simulative Erfassungseinrichtung (einen "virtuellen Sensor") 406 zum simulativen Erfassen 206 einer sensorisch nicht erfassbaren XVSEN der Fertigungszustandsgrößen X in Abhängigkeit von der sensorisch erfassten XSEN der Fertigungszustandsgrößen X umfassen.As in FIG 4 indicated by dashed lines, the device can in this sense in particular comprise a simulative detection device (a "virtual sensor") 406 for simulative detection 206 of a sensor-not detectable X VSEN of the production state variables X depending on the sensor-detected X SEN of the production state variables X.

Funktion und Vorteile des virtuellen Sensors 406 entsprechen dabei jenen des Verfahrensschritts des simulativen Erfassens 206.The function and advantages of the virtual sensor 406 correspond to those of the method step of simulative recording 206.

Ferner kann die Vorrichtung eine Separationseinrichtung zum Separieren des Produkts in Abhängigkeit von dessen bestimmter Produktgüte Q umfassen.Furthermore, the device can comprise a separation device for separating the product as a function of its determined product quality Q.

Mit anderen Worten ist es daher möglich, gefertigte Produkte mit nicht hinreichender Produktgüte Q anders zu behandeln als gefertigte Produkte mit hinreichender Produktgüte Q. Beispielsweise lassen sich separierte Produkte einer Nachbearbeitung oder einem Recycling zuführen anstatt einer Lieferkette/-logistik.In other words, it is therefore possible to treat manufactured products with insufficient product quality Q differently than manufactured products with sufficient product quality Q. For example, separated products can be reworked or recycle instead of a supply chain / logistics.

Claims (14)

Verfahren (200) zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte (Q); umfassend: ein simulatives Bestimmen (202) einer von mehreren Fertigungszustandsgrößen (X) in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen (X); ein sensorisches Erfassen (204) einer der Fertigungszustandsgrößen (X); und ein assoziatives Bestimmen (208) der Produktgüte (Q) in Abhängigkeit von den Fertigungszustandsgrößen (X). Method (200) for determining a product quality (Q) resulting from a manufacturing method; full: a simulative determination (202) of one of a plurality of production state variables (X) as a function of a scattering one of the production state variables (X); a sensory detection (204) of one of the production state variables (X); and an associative determination (208) of the product quality (Q) as a function of the manufacturing state variables (X). Verfahren (200) nach Anspruch 1,
wobei das simulative Bestimmen (202) ein Ausführen einer Systemsimulation des Fertigungsverfahrens umfasst.Method (200) according to claim 1,
wherein the simulative determining (202) comprises executing a system simulation of the manufacturing method. Verfahren (200) nach Anspruch 2, ferner umfassend:
simulatives Erfassen (206) einer sensorisch nicht erfassbaren der Fertigungszustandsgrößen (X) in Abhängigkeit von der sensorisch erfassten der Fertigungszustandsgrößen (X).The method (200) of claim 2, further comprising:
Simulative acquisition (206) of one of the production state variables (X) that cannot be detected by sensors as a function of the sensor-detected production state variables (X). Verfahren (200) nach Anspruch 3,
wobei das simulative Erfassen (206) ein Ausführen einer hinsichtlich einer Rechenkomplexität vereinfachten Instanz der Systemsimulation und/oder einer analytischen Gleichung umfasst.Method (200) according to claim 3,
wherein the simulative acquisition (206) comprises executing an instance of the system simulation and / or an analytical equation that is simplified in terms of computational complexity. Verfahren (200) nach einem der Ansprüche 2 - 4,
wobei die Systemsimulation in Abhängigkeit von der streuenden der Fertigungszustandsgrößen (X) parametrisiert ist.Method (200) according to one of claims 2-4,
The system simulation is parameterized as a function of the scattering of the manufacturing state variables (X). Verfahren (200) nach einem der Ansprüche 2 - 5,
wobei die Systemsimulation eine kontinuierliche Simulation, eine eindimensionale Simulation und/oder eine analytische Gleichung umfasst.Method (200) according to one of claims 2-5,
wherein the system simulation comprises a continuous simulation, a one-dimensional simulation and / or an analytical equation. Verfahren (200) nach Anspruch 6,
wobei die kontinuierliche Simulation eine Finite-Elemente-Methode, eine Methode der numerischen Strömungsmechanik und/oder eine Mehrkörpersimulation umfasst.Method (200) according to claim 6,
wherein the continuous simulation comprises a finite element method, a numerical fluid mechanics method and / or a multi-body simulation. Verfahren (200) nach einem der vorhergehenden Ansprüche,
wobei das simulative Bestimmen (202) ein Abtasten (300) eines Wertebereiches der streuenden der Fertigungszustandsgrößen (X) umfasst.Method (200) according to one of the preceding claims,
wherein the simulative determination (202) comprises a sampling (300) of a range of values of the scattering of the manufacturing state variables (X). Verfahren (200) nach Anspruch 8,
wobei das Abtasten (300) ein Ausführen einer Methode einer statistischen Versuchsplanung umfasst.Method (200) according to claim 8,
wherein the sampling (300) comprises performing a statistical design experimentation method. Verfahren (200) nach Anspruch 9,
wobei die Methode der statistischen Versuchsplanung eine Monte Carlo-Abtastung und/oder eine Latin-Hypercube-Abtastung umfasst.Method (200) according to claim 9,
wherein the method of experimental design comprises a Monte Carlo scan and / or a Latin hypercube scan. Verfahren (200) nach einem der vorhergehenden Ansprüche,
wobei das assoziative Bestimmen (208) ein Ausführen einer Methode eines maschinellen Lernens umfasst.Method (200) according to one of the preceding claims,
wherein the associative determining (208) comprises performing a machine learning method. Verfahren (200) nach Anspruch 11,
wobei die Methode des maschinellen Lernens einen Entscheidungsbaum und/oder ein künstliches neuronales Netz umfasst.Method (200) according to claim 11,
wherein the method of machine learning comprises a decision tree and / or an artificial neural network. Vorrichtung (400) zum Bestimmen einer aus einem Fertigungsverfahren hervorgehenden Produktgüte (Q); umfassend: eine Simulationseinrichtung (402) zum simulativen Bestimmen (202) einer von mehreren Fertigungszustandsgrößen (X) in Abhängigkeit von einer streuenden der Fertigungszustandsgrößen (X); eine Erfassungseinrichtung (404) zum sensorischen Erfassen (204) einer der Fertigungszustandsgrößen (X); und eine Bestimmungseinrichtung (408) zum assoziativen Bestimmen (208) der Produktgüte (Q) in Abhängigkeit von den Fertigungszustandsgrößen (X). Device (400) for determining a product quality (Q) resulting from a manufacturing process; full: a simulation device (402) for simulatively determining (202) one of a plurality of manufacturing state variables (X) as a function of a scattering one of the manufacturing state variables (X); a detection device (404) for the sensory detection (204) of one of the production state variables (X); and a determination device (408) for associative determination (208) of the product quality (Q) as a function of the manufacturing state variables (X). Vorrichtung (400) nach Anspruch 13,
wobei die Vorrichtung (400) ferner dazu eingerichtet ist, das Verfahren (200) nach einem der Ansprüche 2 - 12 durchzuführen.Device (400) according to claim 13,
wherein the device (400) is further set up to carry out the method (200) according to one of claims 2 to 12.
EP19201906.5A 2019-10-08 2019-10-08 Method and device for determining a processing axis Withdrawn EP3805883A1 (en)

Priority Applications (5)

Application Number Priority Date Filing Date Title
EP19201906.5A EP3805883A1 (en) 2019-10-08 2019-10-08 Method and device for determining a processing axis
CN202080072416.8A CN114556247A (en) 2019-10-08 2020-09-02 Method and apparatus for determining product quality
EP20771476.7A EP3999925B1 (en) 2019-10-08 2020-09-02 Method and device for determining a product quality
US17/766,767 US20230135550A1 (en) 2019-10-08 2020-09-02 Methods and devices for determining a product quality
PCT/EP2020/074446 WO2021069150A1 (en) 2019-10-08 2020-09-02 Method and devices for determining a product quality

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP19201906.5A EP3805883A1 (en) 2019-10-08 2019-10-08 Method and device for determining a processing axis

Publications (1)

Publication Number Publication Date
EP3805883A1 true EP3805883A1 (en) 2021-04-14

Family

ID=68387121

Family Applications (2)

Application Number Title Priority Date Filing Date
EP19201906.5A Withdrawn EP3805883A1 (en) 2019-10-08 2019-10-08 Method and device for determining a processing axis
EP20771476.7A Active EP3999925B1 (en) 2019-10-08 2020-09-02 Method and device for determining a product quality

Family Applications After (1)

Application Number Title Priority Date Filing Date
EP20771476.7A Active EP3999925B1 (en) 2019-10-08 2020-09-02 Method and device for determining a product quality

Country Status (4)

Country Link
US (1) US20230135550A1 (en)
EP (2) EP3805883A1 (en)
CN (1) CN114556247A (en)
WO (1) WO2021069150A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4343458A1 (en) * 2022-09-21 2024-03-27 Siemens Aktiengesellschaft Method for monitoring quality of an industrial process

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6281465B1 (en) * 1996-10-02 2001-08-28 Siemens Aktiengesellschaft Device for predictive diagnosis of the current quality of technical production from a technical installation, particularly of the current quality of welding points of a spot welding robot
US20050071037A1 (en) * 2003-09-30 2005-03-31 Tokyo Electron Limited System and method for using first-principles simulation to analyze a process performed by a semiconductor processing tool
US20130204587A1 (en) * 2012-02-02 2013-08-08 Emerson Process Management Power & Water Solutions Inc. Enhanced sequential method for solving pressure/flow network parameters in a real-time distributed industrial process simulation system

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040142496A1 (en) * 2001-04-23 2004-07-22 Nicholson Jeremy Kirk Methods for analysis of spectral data and their applications: atherosclerosis/coronary heart disease
US20050037515A1 (en) * 2001-04-23 2005-02-17 Nicholson Jeremy Kirk Methods for analysis of spectral data and their applications osteoporosis
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
EP3104240A1 (en) * 2015-06-11 2016-12-14 Siemens Aktiengesellschaft Device and method for optimizing a working point for the operation of an installation
WO2017203492A1 (en) * 2016-05-27 2017-11-30 Apotex Inc. Methods for process validation
EP3437825B1 (en) * 2017-08-02 2020-09-30 Fundació Eurecat A computer implemented method for generating a mold model for production predictive control and computer program products thereof
EP3499329A1 (en) * 2017-12-13 2019-06-19 Siemens Aktiengesellschaft A data driven method for automated detection of anomalous work pieces during a production process
CN109270899B (en) * 2018-09-03 2020-12-25 江苏科技大学 Digital twin-based marine diesel engine heavy part manufacturing process control method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6281465B1 (en) * 1996-10-02 2001-08-28 Siemens Aktiengesellschaft Device for predictive diagnosis of the current quality of technical production from a technical installation, particularly of the current quality of welding points of a spot welding robot
US20050071037A1 (en) * 2003-09-30 2005-03-31 Tokyo Electron Limited System and method for using first-principles simulation to analyze a process performed by a semiconductor processing tool
US20130204587A1 (en) * 2012-02-02 2013-08-08 Emerson Process Management Power & Water Solutions Inc. Enhanced sequential method for solving pressure/flow network parameters in a real-time distributed industrial process simulation system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JAVED M A ET AL: "NEURAL NETWORKS BASED LEARNING AND ADAPTIVE CONTROL FOR MANUFACTURING SYSTEMS", PROCEEDINGS IROS. IEEE/RSJ INTERNATIONAL WORKSHOP ONINTELLIGENT ROBOTS AND SYSTEMS. INTELLIGENCE FOR MECHANICALSYSTEMS, XX, XX, 3 November 1991 (1991-11-03), pages 242 - 246, XP002055118 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4343458A1 (en) * 2022-09-21 2024-03-27 Siemens Aktiengesellschaft Method for monitoring quality of an industrial process
WO2024061945A1 (en) * 2022-09-21 2024-03-28 Siemens Aktiengesellschaft Method for monitoring quality of an industrial process

Also Published As

Publication number Publication date
WO2021069150A1 (en) 2021-04-15
EP3999925B1 (en) 2023-10-25
EP3999925A1 (en) 2022-05-25
EP3999925C0 (en) 2023-10-25
CN114556247A (en) 2022-05-27
US20230135550A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
DE102019126310B4 (en) System and method for optimizing combustion of a boiler
EP3077878B1 (en) Computer-implemented method and system for automatic monitoring and status detection of entire process stages in a process unit
DE102014109033A1 (en) NON INTRUSIVE DATA ANALYSIS IN A PROCESS CONTROL SYSTEM
DE112011101738T5 (en) Multi-level process modeling process
EP3876060B1 (en) Method and computing unit for analyzing the reason for an anomalous state of a machine
EP1830235A2 (en) Configuration of tools and processes for metal forming
DE102022213603A1 (en) Method, system and medium for papermaking quality evaluation
EP3999925B1 (en) Method and device for determining a product quality
WO2022063702A1 (en) Quality control for products produced in series
EP3692362A1 (en) Method for determining the geometry of a defect and for determining a load limit
EP3830660B1 (en) Method and assistance system for parameterization of an anomaly detection method
WO2023041459A1 (en) Computer-implemented method and system for detecting anomalies, and method for detecting anomalies during a final acoustic testing of a transmission
DE102022203475A1 (en) System for generating a human-perceptible explanation output for an anomaly predicted by an anomaly detection module on high-frequency sensor data or quantities derived therefrom of an industrial manufacturing process, method and computer program for monitoring artificial intelligence-based anomaly detection in high-frequency sensor data or quantities derived therefrom of an industrial manufacturing process and method and computer program for monitoring artificial intelligence-based anomaly detection during an end-of-line acoustic test of a transmission
EP1431927A1 (en) Method for estimating the remaining lifetime of an apparatus
EP4193227A1 (en) Device and method for identifying anomalies in an industrial system for carrying out a production process
EP4060433A1 (en) Method and system for predicting the operation of a technical system
EP3056994B1 (en) Device and method for detecting, checking and storing process data from at least two process steps
DE10011607A1 (en) Operating method for technical system enabling intelligent operating parameter setting for technical system with several system parts for optimal system operation
EP4293453A1 (en) Method for optimizing, predicting or evaluating a technical installation
EP4356209A1 (en) Monitoring the production of material boards, in particular engineered wood boards, in particular using a self-organizing map
EP4359877A1 (en) Method and system for improving the production process in a technical installation
WO2020169363A1 (en) Method for providing a model for at least one machine, training system, method for simulating an operation of a machine, and simulation system
WO2021105114A1 (en) Method for determining a stationary model of a technical system
EP3709110A1 (en) Method for controlling a production process for producing components
EP3961517A1 (en) Method and system for creating an industrial solution with artificial intelligence

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20211015